YOLOv1

利用全连接层直接对边界框进行预测

YOLOv2

YOLOv2通过缩减网络，使用416x416的输入，模型下采样的总步长为32，最后得到13x13的特征图，然后对13x13的特征图的每个cell预测5个anchor boxes，对每个anchor box预测边界框的位置信息、置信度和一套分类概率值。使用anchor boxes之后，YOLOv2可以预测13x13x5=845个边界框

YOLOv4

完成cfg文件的解析，模型的创建与权重文件的加载之后，现在要做的就是执行检测操作，主要调用了utils/utils.py中的do_detect() 函数，在demo.py中：

boxes = do_detect(m, sized, 0.5, 0.4, use_cuda)

模型forward后输出结果存在list_boxes中，因为有3个yolo输出层，所以这个列表list_boxes中又分为3个子列表；

其中list_boxes[0]中存放的是第一个yolo层输出，其特征图大小对于原图缩放尺寸为8，即strides[0], 对于608x608图像来说，该层的featuremap尺寸为608/8=76；则该层的yolo输出数据维度为[batch, (classnum+4+1)*num_anchors, feature_h, feature_w] , 对于80类的coco来说，测试图像为1，每个yolo层每个特征图像点有3个锚点，该yolo层输出是[1,255,76,76]；对应锚点大小为[1.5,2.0,2.375,4.5,5.0,3.5]; (这6个数分别是3个锚点的w和h,按照$w_1,h_1,w_2,h_2,w_3,h_3$排列)；

• 第二个yolo层检测结果维度为[1,255,38,38],对应锚点大小为：[2.25,4.6875,4.75,3.4375,4.5,9.125],
  输出为 [1,255,38,38]
• 第三个yolo层检测维度为[1,255,19,19]，对应锚点大小为：[4.4375,3.4375,6.0,7.59375,14.34375,12.53125]，
  输出为 [1,255,19,19]；

do_detect() 函数中主要是调用了
get_region_boxes1(output, conf_thresh, num_classes, anchors, num_anchors, only_objectness=1, validation=False)
这个函数对forward后的output做解析并做nms操作；

每个yolo层输出数据分析，对于第一个yolo层，输出维度为[1,85*3,76,76 ]; 会将其reshape为[85, 1*3*76*76],即有1*3*76*76个锚点在预测，每个锚点预测信息有80个类别的概率和4个位置信息和1个是否包含目标的置信度；

yolov4的输出需要包含的信息有：物体的位置信息、有物体的概率、物体的分类，可以写为：（$t_x,t_y,t_w,t_h,obj,cls$），其中前四个是物体的位置信息，最后一个cls，根据分类的类别数，维度不同，如果只有1个类别，那就只占1个位置，如果是2个类别，就是2个位置，使用one-hot编码。

而在实际的yolov4的最终输出之前是（19,19,1024），通过蓝色的18个(当只有1个分类类别的时候，如果有2个，那就是19个卷积核)111024的卷积核，得到（19,19,18），最后reshape成（3,19,19,tx, ty, tw, th, obj, cls）。后面的是检测的物体信息，而前面的（3,19,19）的理解如下：

19*19个特征点，等同于把原图分成了19 *19个网格，原图的输入是608 *608的，那么每一个网格的大小就是608/19=32，每一个特征点只关注对应的网格，判断对应的网格是否有物体。

模型输出decode

模型的输出有三个，分别是(B, 255, 19, 19),(B, 255, 38, 38),(B, 255, 76, 76)，因此需要对这三个输出分别解码。

1.维度变换

首先需要将输出view成(B, A, n_ch, H, W)的形式，其中H和W就是输出的尺寸，A是锚框数量，n_ch是包含了bx, by, bw, bh, obj, cls的信息，维度为4+1+80=85。之后再进行一个维度变换，最终得到(B, 3, 19, 19, 85)的维度（以第一个为例）。此时，最后一个维度85，包含了我们解码所需的所有信息，也就是说，我们需要对前面B319*19这么多的数据，都进行同样方式的解码。

2.读取位置信息

接下来我们取出来bx, by, bw, bh, obj, cls。注意，此时除了cls之外，其他所有的维度，都减少了一维变成了(B, 3, 19, 19)，因为cls是以切片形式取的，所以维度数量不变，是(B, 3, 19, 19, 80)。

# 取出来 bx, by, bw, bh
bx, by = output[..., 0], output[..., 1]
bw, bh = output[..., 2], output[..., 3]
# 取出来obj和cls
obj = output[..., 4]
cls = output[..., 5:]

3.坐标变换

我们需要先把bx, by取一个sigmoid，把bw和bh取一个exp。这里加上了缩放因子，据说当图片中的目标既有大又有小的时候，会起作用，暂时没见到实际起作用的情况，不过先加上了，当缩放因子为1的时候，相当于不起作用。这里我们同时也对物体以及分类的置信度取sigmoid。

    # 进行初步转换bx = torch.sigmoid(bx)by = torch.sigmoid(by)bw = torch.exp(bw) * scale_x_y - 0.5 * (scale_x_y - 1)bh = torch.exp(bh) * scale_x_y - 0.5 * (scale_x_y - 1)# 对物体置信度，分类置信度也取sigmoiddet_confs = torch.sigmoid(obj)cls_confs = torch.sigmoid(cls)

4.构建网格

目标是找到点相对于整张图的偏移的比例，但由于我们分了网格，因此先找相对于网格的偏移比例。

这里，图像被分成了19*19个网格，假如中心点在第2行第3列的网格里面。

相对网格的偏移量肯定是小数，比如在x轴方向上偏移是0.5，在y轴上偏移是0.2，也就是在网格中间偏上的位置。

那么，以网格为单位，相对于所有网格来说，中心点的实际偏移量：

在x轴方向的0.5，加上偏移的网格数，也就是2（从0开始计数），那么得到了2.5就是以网格为单位，相对于整张网格图的x轴偏移量。同理，y轴方向上，相对于y轴的，就是1.5。

因此我们需要把x和y方向上的网格数量构建一下，并找到以网格为单位的偏移量。

    # 构建网格grid_x和grid_ygrid_x = torch.arange(W, dtype=torch.float).repeat(1, 3, W, 1).to(device)grid_y = torch.arange(W, dtype=torch.float).repeat(1, 3, H, 1).permute(0, 1, 3, 2).to(device)# 求bx和bybx = bx + grid_xby = by + grid_y

5. 计算实际偏移量

既然找到了相对于网格的偏移量，那么偏移的比例就是偏移量除以网格长度，这个比例，就是相对于网格的偏移比例，同时也是相对于整张图的偏移比例。另外根据解码图，我们对于w和h，还需要乘上先验框的宽、高，得到最终的bw和bh。

    # 取每个anchor的长和宽，求bw和bhfor i in range(num_anchors):bw[:, i, ...] *= anchors[i * 2]bh[:, i, ...] *= anchors[i * 2 + 1]# 对数据转换，除以网格数量，得到相对整张图的偏移的比例，并增加一个维度bx = (bx / W).unsqueeze(-1)by = (by / H).unsqueeze(-1)bw = (bw / W).unsqueeze(-1)bh = (bh / H).unsqueeze(-1)

6.得到输出

现在对于中心点相对于原图的偏移量，以及宽高都得到了，我们把这四个数据结合起来，再把obj和cls的置信度都合在一起，就得到了我们最终解码后的输出，用于后续的画图等计算。

    # 四个数据拼接起来，并reshape成[B, -1, 4]的形状boxes = torch.cat([bx, by, bw, bh], dim=-1).reshape(B,A*W*H, 4)det_confs = det_confs.unsqueeze(-1).reshape(B,A*W*H, 1)cls_confs = cls_confs.reshape(B,A*W*H, num_classes)outputs = torch.cat([boxes, det_confs, cls_confs], dim=-1)

注：（网格生成）

grid_x = torch.linspace(0, input_width - 1, input_width).repeat(input_height, 1).repeat(batch_size * len(self.anchors_mask[i]), 1, 1).view(x.shape).type(FloatTensor)
#先生成一行(width),在重复一列(height),再扩充维度，最后view成[batchsize, 3, h, w]grid_y = torch.linspace(0, input_height - 1, input_height).repeat(input_width, 1).t().repeat(batch_size * len(self.anchors_mask[i]), 1, 1).view(y.shape).type(FloatTensor)